变系数模型是参数线性模型的有益推广。它们允许依赖于协变量或随时间发展的参数。它们在时间序列分析和回归中有广泛的应用。在时间序列分析中，它们被证明是一种强有力的方法，可以推断出随时间推移的行为和结构变化。本文研究高维变系数模型，包括时变系数模型。高维非参数模型中的大多数研究都处理序列估计的惩罚问题。另一方面，核平滑在非参数估计中，特别是在时变系数模型中，是一种建立良好、理解良好且成功的方法。但对于高维模型中的核平滑，人们做得并不多。在本文中，我们将缩小这一差距，并为稀疏高维模型开发一种惩罚核平滑方法。所提出的估计器使用了一种新的惩罚方案，该方案使用核平滑。我们在高维度上建立了一个全面而系统的理论分析。这补充了最近基于基近似的替代方法，并允许更直接的参数继承高维线性模型的见解。此外，我们不仅发展了具有独立观测值的回归理论，还发展了高维稀疏变系数模型中局部平稳时间序列的理论。高维环境中局部平稳过程理论的发展带来了技术挑战。我们还解决了数值实现和惩罚调整参数的数据自适应选择问题。通过仿真研究了所提方法的有限样本性能，并以NASDAQ综合指数数据为例进行了实证分析。